Use of downstream stress imaging tests for risk stratification of patients presenting to the emergency department with chest pain and low HEART score
Notice bibliographique
Résumé
BACKGROUND: Patients with low HEART (History, Electrocardiogram, Age, Risk factors, and Troponin level) risk scores who are discharged from the emergency department (ED) may present clinical challenges and diagnostic dilemmas. The use of downstream non-invasive stress imaging (NISI) tests in this population remains uncertain. Therefore, this study aims to investigate the value of NISI in risk stratification and predicting cardiac events in patients with low-risk HEART scores (LRHSs). METHODS: We prospectively included 1384 patients with LRHSs between March 2019 and March 2021. All the patients underwent NISI (involving myocardial perfusion imaging/stress echocardiography). The primary endpoints included cardiac death, non-fatal myocardial infarction and unplanned coronary revascularisation. Secondary endpoints encompassed cardiovascular-related admissions or ED visits. RESULTS: The mean patient age was 64±14 years, with 670 (48.4%) being women. During the 634±104 days of follow-up, 58 (4.2%) patients experienced 62 types of primary endpoints, while 60 (4.3%) developed secondary endpoints. Multivariable Cox models, adjusted for clinical and imaging variables, showed that diabetes (HR: 2.38; p=0.008), HEART score of 3 (HR: 1.32; p=0.01), history of coronary artery disease (HR: 2.75; p=0.003), ECG changes (HR: 5.11; p<0.0001) and abnormal NISI (HR: 16.4; p<0.0001) were primary endpoint predictors, while abnormal NISI was a predictor of secondary endpoints (HR: 3.05; p<0.0001). CONCLUSIONS: NISI significantly predicted primary cardiac events and cardiovascular-related readmissions/ED visits in patients with LRHSs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».